En Rusia Central ha comenzado una verdadera temporada de tornados. Este pasó por el territorio de la planta de energía nuclear de Obninsk. El viento arrancó árboles, que cayeron sobre los vehículos estacionados. Según algunas estimaciones, los fuertes vientos se dirigen hacia la región de Moscú.
viernes, 24 de mayo de 2013
Este gesto si que es amor en estado puro.
Daniel y María compartieron nueve meses en la panza de su mamá y, de alguna manera, quisieron también salir al mundo acompañados. Así, minutos después de nacer, se tomaron de la mano en la planta de neonatos de un Hospital de Barcelona y una cámara congeló ese momento para siempre.
"Es un gesto precioso para recordar. Se trata de un reflejo para sobrevivir", señaló una de las doctoras del centro de salud donde nacieron los pequeños".
La inteligencia artificial finalmente se está haciendo inteligente.
Pronto se hizo evidente que este esfuerzo requeriría nada menos
que la escala de datos y potencia de cómputo que Google puede
ofrecer. "Podría intentar darte algún tipo de acceso a todo
ello", Page respondió a Kurzweil. "Pero para una empresa
independiente, va a ser muy difícil hacerlo". Así que Page
sugirió que Kurzweil, que nunca había tenido un trabajo excepto en
sus propias compañías, se uniera a Google.
Kurzweil no tardó mucho
tiempo en tomar una decisión: en enero comenzó a trabajar para
Google como director de ingeniería. "Esta es la culminación de
literalmente 50 años centrado en la inteligencia artificial",
señala.
Kurzweil no solo se sintió atraído por los recursos informáticos
de Google, sino también por el sorprendente progreso que la
compañía ha hecho en una rama de la IA denominada aprendizaje
profundo. El software de aprendizaje profundo intenta imitar la
actividad de las distintas capas de neuronas en la corteza
cerebral, el arrugado 80 por ciento del cerebro donde se produce el
pensamiento. El software aprende, en un sentido muy real, a
reconocer patrones en representaciones digitales de sonidos,
imágenes y otros datos.
La idea de base, es decir, que el software pueda simular la gran
variedad de neuronas del neocórtex en una 'red neuronal'
artificial, tiene décadas de antigüedad, y ha dado lugar a tantas
decepciones como avances. Sin embargo, debido a las mejoras en las
fórmulas matemáticas y al uso de ordenadores cada vez más potentes,
los científicos informáticos pueden hoy día modelar muchas más
capas de neuronas virtuales que antes.
Gracias a esta mayor profundidad, se están produciendo avances
notables en el reconocimiento del habla e imágenes. En junio
pasado, un sistema de aprendizaje profundo de Google, al que se le
habían mostrado 10 millones de imágenes de vídeos de YouTube, logró
ser casi dos veces mejor que cualquier esfuerzo de reconocimiento
de imagen anterior a la hora de identificar objetos como por
ejemplo gatos. Google también ha utilizado la tecnología para
reducir la tasa de errores en el reconocimiento de voz en su último
software Android para teléfonos móviles. En octubre, el director de
investigación de Microsoft, Rick Rashid, cautivó a los asistentes a
una conferencia en China con una demostración de software de voz
que transcribió sus palabras habladas a texto en inglés con una
tasa de error del 7 por ciento, después lo tradujo a texto en
chino, y más tarde simuló su propia voz para pronunciar el texto en
mandarín. Ese mismo mes, un equipo de tres estudiantes de posgrado
y dos profesores ganó un concurso realizado por Merck para
identificar moléculas que pudieran conducir a nuevos fármacos. El
grupo utilizó el aprendizaje profundo para centrarse en aquellas
moléculas más propensas a unirse a sus objetivos.
Google, en particular, se ha convertido en un imán para todos
los profesionales del aprendizaje profundo y la IA. En marzo, la
compañía compró una start-up cofundada por Geoffrey
Hinton, profesor de ciencias informáticas de la Universidad de
Toronto (Canadá), que fue parte del equipo que ganó el concurso de
Merck. Hinton, que dividirá su tiempo entre la universidad y
Google, señala que planea "sacar ideas de este campo y
aplicarlas a problemas reales", como el reconocimiento de
imágenes, las búsquedas y la comprensión de lenguaje natural,
asegura.
Todo esto hace que los investigadores dedicados a la IA, que
normalmente son bastante cautelosos, tengan la esperanza de que las
máquinas inteligentes puedan, finalmente, ir más allá de las
páginas de ciencia ficción. De hecho, la inteligencia artificial
está empezando a transformarlo todo, desde las comunicaciones y la
informática hasta la medicina, la industria manufacturera y el
transporte. Las posibilidades resultan evidentes en casos como el
ordenador Watson de IBM, ganador del concurso americano de
preguntas y repuestas Jeopardy!, que utiliza algunas
técnicas de aprendizaje profundo y hoy día está siendo entrenado
para ayudar a los médicos a tomar mejores decisiones. Microsoft ha
incorporado el aprendizaje profundo a su teléfono Windows y la
búsqueda por voz de Bing.
Extender el aprendizaje profundo a aplicaciones más allá del
reconocimiento del habla e imágenes requerirá más avances
conceptuales y de software, por no hablar de muchos más avances en
potencia de procesamiento. Y es probable que no contemos con
máquinas que todos consideremos capaces de poder pensar por sí
mismas durante años, quizá décadas, si es que alguna vez logran
crearse. Pero por ahora, según Peter Lee, director de Microsoft
Research EE.UU., el "aprendizaje profundo ha reavivado algunos
de los grandes retos de la inteligencia artificial".
La construcción de un cerebro
Se han dado muchos enfoques opuestos para superar esos desafíos.
Uno de ellos ha consistido en aportar a los ordenadores información
y reglas sobre el mundo, lo cual ha exigido a los programadores
escribir laboriosamente un tipo de software que estuviera
familiarizado con los atributos de, por ejemplo, un borde o un
sonido. Eso ha llevado muchísimo tiempo y aún así los sistemas no
pueden hacer frente a datos ambiguos. Se limitan a aplicaciones de
corto alcance y controladas, como por ejemplo sistemas de menú de
teléfono que te pidan que hagas consultas diciendo palabras
específicas.
Las redes neuronales, desarrolladas en la década de los 50 poco
después de los albores de la investigación en IA, parecía
prometedora puesto que trataba de simular la forma en que el
cerebro funcionaba, aunque de modo muy simplificado. Un programa
traza un conjunto de neuronas virtuales y asigna valores numéricos
aleatorios, o 'pesos', a las conexiones entre ellas. Estos
pesos determinan cómo responde cada neurona simulada, con una
salida matemática entre 0 y 1, ante una característica
digitalizada, como por ejemplo un borde o un tono de azul en una
imagen, o a un nivel de energía en una frecuencia particular de un
fonema, la unidad individual de sonido en sílabas habladas.
Algunas de las redes neuronales artificiales de hoy día pueden
ser entrenadas para reconocer patrones complejos.
Los programadores podrían formar una red neuronal para detectar
un objeto o un fonema mediante el bombardeo de la red con versiones
digitalizadas de imágenes que contengan esos objetos u ondas
sonoras que contengan los fonemas. Si la red no reconoce con
precisión un patrón particular, un algoritmo ajustaría los pesos.
El objetivo final de este entrenamiento era conseguir que la red
reconociera de forma consistente patrones de discurso o conjuntos
de imágenes que nosotros los humanos conocemos como, por ejemplo,
el fonema 'd' o la imagen de un perro. Esto se parece mucho
a la forma en que un niño aprende qué es un perro mediante la
observación de los detalles de la forma de la cabeza, el
comportamiento y otras características en animales peludos y que
ladran, conocidos por las personas como perros.
Sin embargo, las redes neuronales iniciales solo podían simular
un número muy limitado de neuronas al mismo tiempo, por lo que no
podían reconocer patrones de gran complejidad. Acabaron
languideciendo a lo largo de la década de los 70.
A mediados de la década de los 80, Hinton y otros expertos
contribuyeron a un renacimiento del interés en las redes neuronales
con los llamados modelos 'profundos', que hacían un mejor
uso de varias capas de neuronas de software. Sin embargo, la
técnica todavía requería una gran cantidad de intervención humana:
los programadores tenían que etiquetar los datos antes de dárselos
a la red. Y el reconocimiento del habla o imágenes complejas
requería más potencia informática de la que entonces estaba
disponible.
Finalmente, sin embargo, en la última década Hinton y otros
investigadores hicieron algunos avances conceptuales fundamentales.
En 2006, Hinton desarrolló una forma más eficiente de entrenar a
las capas individuales de neuronas. La primera capa aprende
características primitivas, como un borde en una imagen o la unidad
más pequeña de sonido del habla. Lo hace buscando combinaciones de
píxeles digitales u ondas de sonido que se produzcan con más
frecuencia de lo que deberían por casualidad. Una vez que esa capa
reconoce con precisión esas características, son enviadas a la capa
siguiente, que se entrena a sí misma para reconocer características
más complejas, como una esquina o una combinación de sonidos del
habla. El proceso se repite en capas sucesivas hasta que el sistema
puede reconocer con seguridad fonemas u objetos.
Un ejemplo son los gatos. En junio pasado, Google hizo una
demostración de una de las mayores redes neuronales creadas hasta
ahora, con más de mil millones de conexiones. Un equipo dirigido
por el profesor de informática de Stanford Andrew Ng y el Miembro
de Google Jeff Dean mostró al sistema imágenes de 10 millones de
videos de YouTube elegidos al azar. Una neurona simulada en el
modelo de software se centró en las imágenes de gatos. Otras se
centraron en rostros humanos, flores amarillas y otros objetos. Y
gracias a la potencia del aprendizaje profundo, el sistema
identificó estos objetos discretos a pesar de que ningún humano
jamás los había definido o etiquetado.
Lo que sorprendió a algunos expertos de IA, sin embargo, fue la
magnitud de la mejora en el reconocimiento de imágenes. El sistema
clasificó correctamente los objetos y temas de las imágenes de
YouTube el 16 por ciento de las veces. Esto quizá no suene
demasiado impresionante, pero resultó ser un 70 por ciento mejor
que los métodos anteriores. Además, Dean señala que se podía elegir
entre 22.000 categorías. Asignar de forma correcta los objetos en
algunas de ellas requería, por ejemplo, distinguir entre dos
variedades similares de pez raya. Eso habría sido difícil incluso
para la mayoría de los seres humanos. Cuando se le pidió al sistema
clasificar las imágenes en 1000 categorías más generales, la tasa
de precisión subió por encima del 50 por ciento.
Una gran cantidad de datos
El entrenamiento de las numerosas capas de neuronas virtuales en
el experimento requirió 16.000 procesadores, el tipo de
infraestructura de computación que Google ha desarrollado para su
motor de búsqueda y otros servicios. Al menos el 80 por ciento de
los recientes avances en IA se pueden atribuir a la disponibilidad
de más potencia informática, estima Dileep George, cofundador de la
start-up de aprendizaje de máquinas Vicarious.
Sin embargo, se requiere algo más aparte del enorme tamaño de
los centros de datos de Google. El aprendizaje profundo también se
ha beneficiado del método de división de las tareas de computación
entre muchas máquinas, para así poder efectuarlas con mayor
rapidez. Esa es una tecnología que Dean ayudó a desarrollar con
anterioridad, a lo largo de su carrera de 14 años en Google.
Acelera enormemente el entrenamiento de las redes neuronales de
aprendizaje profundo, permitiendo a Google trabajar con redes más
grandes y usar muchos más datos con ellas.
El aprendizaje profundo ya ha logrado mejorar la búsqueda por
voz en los teléfonos inteligentes. Hasta el año pasado, el software
Android de Google utilizaba un método que entendía mal muchas
palabras. Sin embargo, durante la preparación de una nueva versión
de Android en julio pasado, Dean y su equipo ayudaron a reemplazar
parte del sistema de voz por uno basado en el aprendizaje profundo.
Puesto que las múltiples capas de neuronas permiten un
entrenamiento más preciso basado en las múltiples variantes de un
sonido, el sistema puede reconocer fragmentos de sonido de forma
más fiable, especialmente en entornos ruidosos como una plataforma
de metro. Y puesto que es más probable que entienda lo que
realmente se ha pronunciado, es más probable que el resultado que
devuelva sea también preciso. En muy poco tiempo, el número de
errores se redujo hasta en un 25 por ciento, y los resultados son
tan buenos que muchos críticos consideran actualmente que la
búsqueda de voz de Android es más inteligente que la del famoso
asistente de voz Siri de Apple.
A pesar de todos los avances, no todo el mundo cree que el
aprendizaje profundo pueda llevar la inteligencia artificial hasta
un punto en que rivalice con la inteligencia humana. Algunos
críticos señalan que el aprendizaje profundo y la IA en general
ignora gran parte de la biología del cerebro en favor de la fuerza
bruta de computación.
Uno de estos críticos es Jeff Hawkins, fundador de Palm
Computing, cuya última empresa, Numenta, está desarrollando un
sistema de aprendizaje automático que se inspira en la biología,
pero no utiliza el aprendizaje profundo. El sistema de Numenta
puede ayudar a predecir los patrones de consumo de energía y la
probabilidad de que una máquina, como por ejemplo una turbina
eólica, esté a punto de fallar. Hawkins, autor del libro On
Intelligence en 2004, que trata sobre el funcionamiento del
cerebro y la forma en que podría proporcionar una guía para la
construcción de máquinas inteligentes, señala que el aprendizaje
profundo no tiene en cuenta el concepto de tiempo. Los cerebros
procesan flujos de datos sensoriales, asegura, y el aprendizaje
humano depende de nuestra capacidad para recordar secuencias de
patrones: cuando ves un vídeo de un gato haciendo algo divertido,
lo que importa es el movimiento, y no una serie de imágenes fijas
como las que Google utilizó en su experimento. "Para Google,
usar una gran cantidad de datos lo compensa todo", afirma
Hawkins.
Pero incluso si no lo compensa todo, los recursos informáticos
que una empresa como Google ha dedicado a estos problemas no pueden
ser ignorados. Son cruciales, afirman los defensores del
aprendizaje profundo, ya que el cerebro es aún mucho más complejo
que cualquiera de las redes neuronales actuales. "Se necesitan
muchísimos recursos computacionales para que las ideas
funcionen", afirma Hinton.
¿Qué es lo próximo?
Aunque Google da muy pocos detalles sobre aplicaciones futuras,
las perspectivas son muy interesantes. Está claro que por ejemplo
una mejor búsqueda de imágenes ayudaría a YouTube. Y Dean señala
que los modelos de aprendizaje profundo pueden utilizar datos de
fonemas en inglés para entrenar rápidamente a los sistemas y que
reconozcan sonidos hablados en otros idiomas. También es probable
que el uso de un reconocimiento de imagen más sofisticado pueda
hacer que los coches autoconducidos de Google mejoren notablemente.
Además están las búsquedas y los anuncios relacionados con todo
ello. Ambas cosas podrían mejorar enormemente gracias a cualquier
tecnología que sea mejor y más rápida a la hora de reconocer lo que
la gente realmente esté buscando, tal vez incluso antes de que se
den cuenta.
Sergey Brin ha dicho que quiere construir una versión benigna de
HAL en 2001: Una odisea del espacio.
Esto es lo que intriga a Kurzweil, de 65 años, que desde hace
mucho tiempo tiene su propia visión sobre las máquinas
inteligentes. En la escuela secundaria, escribió un programa que
permitió a un ordenador crear música original en varios estilos
clásicos, y del que hizo una demostración en 1965 en el programa
estadounidense de televisión I've Got a Secret. Desde
entonces, entre sus inventos se encuentran varias primicias: una
máquina de lectura de impresión a voz, un software capaz de
escanear y digitalizar textos impresos en cualquier tipo de letra,
sintetizadores de música para recrear el sonido de los instrumentos
de una orquesta, y un sistema de reconocimiento de voz con un
amplio vocabulario.
Actualmente tiene en mente un 'amigo cibernético' que
escuche nuestras conversaciones telefónicas, lea el correo
electrónico y realice un seguimiento de todos nuestros movimientos,
si se lo permitimos, por supuesto, para que nos pueda decir cosas
que queramos saber, incluso antes de preguntarlas. Este no es su
objetivo inmediato en Google, pero coincide con el del cofundador
de la empresa, Sergey Brin, quien afirmó durante los primeros días
de la compañía que quería construir el equivalente al ordenador HAL
en 2001: Una odisea del espacio, con la salvedad de que este no
mataría a nadie.
Por ahora, Kurzweil tiene como objetivo ayudar a los ordenadores
a entender e incluso hablar en lenguaje natural. "Mi misión es
dar a los ordenadores suficiente comprensión del lenguaje natural
para hacer cosas útiles: mejorar búsquedas, mejorar la respuesta a
preguntas", señala. Esencialmente, espera crear una versión
más flexible del ordenador Watson de IBM, que admira por su
capacidad de entender frases de Jeopardy! tan singulares
como "un largo y tedioso discurso pronunciado por un pastel de
espuma batida". (La respuesta correcta de Watson: "¿Qué
es una arenga merengue?")
Kurzweil no se centra exclusivamente en el aprendizaje profundo,
aunque señala que su enfoque para el reconocimiento de voz se basa
en teorías similares acerca del funcionamiento del cerebro. Quiere
modelar el significado real de las palabras, frases y oraciones,
incluyendo ambigüedades con las que suelan tropezar los
ordenadores. "Tengo una idea sobre un modo gráfico de
representar el significado semántico de la lengua",
asegura.
A su vez, esto requerirá crear gráficos de la sintaxis de las
oraciones de una forma más integral. Google ya está utilizando este
tipo de análisis para mejorar la gramática en las traducciones. La
comprensión de lenguaje natural también requerirá que los
ordenadores entiendan lo que los humanos piensan como significado
de sentido común. Para ello, Kurzweil hará uso del Gráfico del
Conocimiento, el catálogo de Google sobre unos 700 millones de
temas, lugares, personas y más datos, además de miles de millones
de relaciones entre ellos. Se presentó el año pasado como forma de
proporcionar a los buscadores respuestas a sus consultas, y no solo
enlaces.
Por último, Kurzweil tiene previsto aplicar algoritmos de
aprendizaje profundo para ayudar a los ordenadores a hacer frente a
los "límites y ambigüedades del lenguaje". Si todo esto
suena desalentador, es porque lo es. "La comprensión del
lenguaje natural no es un objetivo que se alcance en algún momento
dado, y lo mismo ocurre con las búsquedas", afirma. "No
es un proyecto que creo que vaya a acabar jamás".
Aunque la visión de Kurzweil está todavía a años de convertirse
en una realidad, es probable que el aprendizaje profundo impulse
otras aplicaciones más allá del reconocimiento del habla y las
imágenes a más corto plazo. Por un lado, está el descubrimiento de
fármacos. La victoria por sorpresa del grupo de Hinton en el
concurso de Merck demostró claramente la utilidad del aprendizaje
profundo en un campo en el que muy poca gente esperaba que lograse
crear algún tipo de impacto.
Eso no es todo. Peter Lee desde Microsoft afirma que las
primeras investigaciones sobre los usos potenciales del aprendizaje
profundo en la visión de máquinas son prometedoras. Estas
tecnologías usan imágenes para aplicaciones tales como la
inspección industrial y la guía de robots. También prevé la
creación de sensores personales que las redes neuronales profundas
podrían utilizar para predecir problemas médicos. Y sensores en
toda la ciudad que enviarían datos a sistemas de aprendizaje
profundos que podrían, por ejemplo, predecir dónde van a producirse
atascos.
En un campo que trata de algo tan profundo como el modelado del
cerebro humano, es inevitable que una técnica no vaya a resolver
todos los problemas. Pero por ahora, esta está liderando el camino
dentro de la inteligencia artificial. "El aprendizaje
profundo", señala Dean, "es una metáfora muy potente para
aprender sobre el mundo".
fuente/La Flecha
Vía/ TECHNOLOGYREVIEW.COM
jueves, 23 de mayo de 2013
El canal de TV abc10 informa de un avistamiento OVNI.
La fotografía que se presenta, con su ampliación fue tomada el 20 de mayo 2013 por Ellen Henry investigador de la Sociedad Histórica de Santee (SHS).
El mismo Henry dijo que después de tomar la foto de la granja, durante la revisión de las imágenes, en una de ellas apareció un pequeño objeto en forma de disco. Dice que escuchó un ruido extraño y muchas veces han notado anomalías electromagnéticas en la zona. A menudo la gente ve cosas muy extrañas.
fuente/ Ovnis ültima Hora 2
OVNI "controla" a helicóptero anti incendios en Rusia.
El espectacular vídeo que se presenta proviene de Rusia y se refiere a la grabación hecha por un testigo que presenció el avistamiento de un OVNI volando junto a un helicóptero de rescate de bomberos. Las imágenes hablan por sí solas, no es un "drone".... el UFO asoma alrededor del helicóptero, realizando las maniobras increíbles que van en contra de todas las leyes de la física moderna, alejándose y acercándose al helicóptero con la velocidad y los movimientos bruscos y en zig-zag.
fuente/ovnis última hora 2
La impresión 3D avanza a un ritmo frenético e imparable.Atención a la notícia: imprimen el primer coche en 3D
Se trata del modelo Urbee 2, un híbrido de 3
ruedas, robusto, ligero y ecológico. compuesto según
informa Wired. Su creador Jim Kor quiere
cambiar la forma en la que se construyen los coches, haciendo
máxima la filosofía de su empresa Kor Ecologic: "usar el
mínimo de energía posible por cada kilómetro y contaminar
lo menos posible en el proceso de fabricación,
funcionamiento y posterior reciclado del coche".
l proceso de fabricación del Urbee tiene lugar por completo en
RedEye, unas instalaciones de impresión en 3D que también fueron
utilizadas para imprimir la primera moto 3D en 2008. Para Jim Kor,
la tecnología 3D simplifica mucho el proceso de fabricación y
ensamblaje del vehículo, y además las piezas creadas tienen la
flexibilidad que no puede aportar una hoja de acero. En vez de
fabricar muchas piezas para montarlas luego, con las impresoras 3D
se esculpe una sola pieza. Es tan sencillo como cargar en la
impresora los modelos de cada una de las partes y 2.500 horas más
tarde, ya está todas las piezas de plástico que se necesitan para
empezar el montaje.
El modelo obviamente no está hecho entero de plástico, tanto el
motor como el chasis son de acero. Sin embargo, pueden surgir dudas
sobre lo seguro que puede ser conducir el Urbee 2 en carretera. Kor
ya ha aclarado su intención de que "el coche pase las
inspecciones tecnológicas que piden en Le Mans". La impresión
en 3D está cerca de convertirse en algo mainstream. Cada vez, se
imprimen más cosas en 3D y hay más fabricantes que acercan esta
posibilidad al consumidor medio. Al alcance de todos los
públicos.
Desde años, esta tecnología se viene utilizando sobre todo por
grandes corporaciones, gobiernos y sectores profesionales como la
medicina o la arquitectura, para crear prototipos en 3D de
cualquier cosa imaginable. Por ejemplo, hace un año se logró
trasplantar una mandíbula de titanio creada con una impresora 3D, y
el mes pasado se empezaron a crear células madre vivas en una
impresora 3D para regenerar tejidos. Pero es desde hace poco, que
estas impresoras han empezado a bajar el precio para poder
ajustarse a las necesidades de las pequeñas empresas.
Las
impresoras ZPrinter 150 y ZPrinter 250 (desde 15.000 dólares)
salieron en 2010 haciendo asequible la impresión en 3D. En la web
de crowdfunding Kickstarter, se consiguió recaudar hasta 2,9
millones de dólares para crear Form1, una impresora en 3D de
calidad profesional a bajo coste. Por su parte, MakerBot persigue
el mismo objetivo llevando la impresión en 3D a la casa de
cualquier usuario.
fuente/laflecha.net/canales/blackhats/noticias/imprimen-el-primer-coche-en-3d
Rara fusión de grandes galaxias forma una gigantesca elíptica.
Después de estudiar con varios telescopios se concluyó que se trataba de dos grandes galaxias con formación de estrellas que con el tiempo se entrelazaron.
Gigantesca elíptica emerge tras la fusión
de dos grandes galaxias (ESA / NASA / JPL-Caltech / UC Irvine / STScI /
Keck / NRAO / SAO)
El Observatorio Herschel de la Agencia Espacial Europea (ESA) registró imágenes de una rara fusión de dos gigantescas lejanas galaxias que dieron lugar a una gran elíptica en épocas muy tempranas del Universo actual.
Después de estudiar las galaxias con varios telescopios se concluyó que se trataba de dos grandes galaxias con formación de estrellas que con el tiempo se entrelazaron formando una galaxia elíptica súper gigante, informaron el 22 de mayo las agencias espaciales ESA y NASA, que colaboraron en el estudio.
Los astrónomos clasifican las galaxias en dos tipos: las espirales, como nuestra Vía Láctea, llenas de gas y con numerosas estrellas azules en formación, o las elípticas, pobres de gas y pobladas principalmente de viejas y frías estrellas rojas.
Hasta ahora surgían dudas de cómo se forman las gigantescas galaxias elípticas en el Universo temprano. Se creía que lo hacían graduablemente, a través de la adquisición de numerosas pequeñas galaxias enanas y sus estrellas, las cuales con el tiempo iban perdiendo su energía, para transformarse en las estrellas rojas, informa el equipo de ESA.
Los últimos estudios permiten concluir que su formación sería el resultado de la fusión de galaxias masivas. Sin embargo, se debió aclarar uno de los grandes enigmas. En las últimas décadas se descubrieron algunas de ellas existiendo en épocas tempranas del Universo, poco después del Big Bang, con sólo tres a cuatro mil millones de años de historia.
Los astrónomos quedaron sorprendidos de cómo en tan poco tiempo se habrían organizado estas galaxias y cómo la energía de las estrellas ya se había apagado.
“De alguna manera, en escalas de tiempo cosmológicas cortas, estas galaxias habían reunido con rapidez grandes cantidades de estrellas y éstas se 'apagaron”, destaca ESA.
La explicación que surge ahora, es que dos grandes galaxias espirales pueden colisionar y combinarse para producir una gran galaxia elíptica, y fruto de esta colisión, se produce en su interior una explosión masiva de formación de estrellas, lo que les agota rápidamente el depósito de gas, informa la agencia espacial.
En la imagen de Herschel, los astrónomos capturaron el inicio de este proceso entre dos galaxias masivas, cuando el Universo tenía sólo tres mil millones de años.
Herschel las había identificado como una sola fuente luminosa, llamada HXMM01, pero con el estudio de múltiples telescopios, incluyendo el Telescopio Espacial Hubble y el telescopio Spitzer de la NASA, se mostró que son dos galaxias, cada una, con una masa estelar de unos 100 mil millones de soles y una cantidad equivalente de gas. El puente de gas entre ellas indica que se están fusionando.
"Este sistema monstruo de las galaxias interactuantes es la fábrica de formación estelar más eficiente que se ha encontrado en el Universo en un momento en que tenía sólo tres mil millones de años", dice Hai Fu de la Universidad de California, Irvine, EE.UU., según cita ESA.
"El sistema HXMM01 es inusual, no sólo debido a su gran masa y la intensa actividad de formación estelar, sino también porque expone un paso crucial, intermedio en el proceso de fusión, proporcionando valiosa información ", añade el coautor Asantha Cooray, también de la Universidad de California, Irvine.
En su estudio, el equipo observó que la fusión de galaxias estaba generando la formación de unas 2000 estrellas por año. En comparación, los astrónomos destacan que en nuestra vía Láctea se observa la formación de una sola estrella como el Sol, al año.
Artículo original de lagranepoca.com
Última Hora. Un maremoto de 7,4 y dos seísmos, uno de 4,7 y 4,8. Uno próximo a la isla de Creta y otro en Grecia a 295 km de Atenas
Un maremoto de 7,4 grados de magnitud en la escala de Richter ha sacudido la costa suroeste del archipiélago de Tonga (Oceanía). El epicentro del sismo se ubicó en el Pacífico a 282 kilómetros al suroeste de la ciudad de Vaini y a una profundidad de 171 kilómetros, según informa el Servicio Geológico de EE.UU. (USGS, por sus siglas en inglés).
Por el momento los especialistas descartan la posibilidad de un tsunami.
La nueva visión de alcance de la metodología neurocientífica: La dimensión cuántica de la mente.
"La conciencia humana enlaza con la dimensión de la física cuántica y no con la neurociencia"
Por primera vez de forma sistematizada, la comunidad científica conviene en señalar que la conciencia humana enlaza con la dimensión de la física cuántica y no con la neurociencia, tal y como hasta ahora tradicionalmente se venía entendiendo.
La cuestión estrictamente biofísica ha sido ampliamente debatida sin obtener respuestas, que curiosamente sí se encuentran en los nuevos conceptos de la teoría de supercuerdas y especialmente de la supersimetría.
La cuestión de base genera una inquietud creciente en la comunidad neurocientífica, ya que a medida que profundizan en el campo de la ciencia de la conciencia, los hallazgos son cada vez más contundentes. Conceptos como los biofotones, la meditación, las Resonancias Schumann, ponen de relieve que los procesos neurofisiológicos son consecuencias de una transdimensionalidad y no causa en sí misma de una estricta explicación anatómica, o química. Ni siquiera las sinapsis por sí solan explicarían la curiosa relación existente entre procesos emocionales y señales coherentes en los EEG y ECG.
Desde que recientemente Raymond Tallis expuso en la Academia Británica que no podemos asumir de forma científica un reduccionismo de la conciencia humana a la simple actividad cerebral. En Aping Mankind expone los argumentos más contundentes hasta ahora vistos en la comunidad científica ortodoxa.
La experiencia empírica no siempre es racional, y por tanto, tenemos que entender que la dimensión mental es infinitamente más sofisticada que la mera actividad neuronal.
Simplemente la creatividad y/o el descubrimiento del sentimiento de “amor”, muestran procesos complejos que van más allá de la conexión entre neuronas o la producción de sustancias.
Definitivamente el ser humano es mucho más que un cerebro.
Incluso para el distinguido psicólogo Robin Dunbar, la cuestión requiere buscar nuevas formas holísticas de entender la cuestión, más allá de la neurociencia. Este planteamiento constituye un hito en los planteamientos tradicionales de la Academia Británica, caracterizada por su “ortodoxia” racionalista.
En la revista Cell press, en el mismo sentido que Tallis, se publicó un paper en agosto de 2008 en el que ya se exponían las nuevas tendencias del estudio de la conciencia en el ámbito de la neurociencia. El estudio fue publicado por : Anil K. Seth, Zoltan Dienes, Axel Cleeremans, Morten Overgaard y Luiz Pessoa, y lleva por título: Midiendo la Conciencia: Aproximaciones desde la neurofisiología.
Pueden descargarlo directamente de la revista Cell press.
fuente del texto/ Fundación Etikotaku
Suscribirse a:
Entradas (Atom)